插值1算法

一、基本概念

插值是指通过对数据进行线性、非线性或其他类型的逼近，将一组离散数据映射到连续的函数值。在数学中，插值通常用于将数据点连接起来，以形成连续的函数图像，特别是在数值计算和图像处理中。插值可以用于在空间中预测对象的位置、速度和加速度，以及在其他领域中实现其他类型的预测和模拟。
$\phi (x_i)=y_i$（1-1）
$f(x_i)=y_i$ （1-2）

其中，f(x) 称为被插函数；$\phi (x)$ 称为插值函数；$x_i$称为插值节点；包含插值节点的区域[a,b]称为插值区间；$(x_i,y_i)$称为插值点；公式（1-1）称为插值条件

二、拉格朗日插值

n次多项式插值：
${\phi }_n(x)=a_0+a_{1}x+a_2{x}^2+\cdots +a_n{x}^n$ (2-1)

---

1.线性插值

基函数：
$l_0(x)=\frac{x-x_1}{x_0-x_1},l_1(x)=\frac{x-x_0}{x_1-x_0}$ (2-2)
插值函数：
${\phi }_1(x)=L_1(x)=y_0{l}_0(x)+y_1{l}_1(x)$ （2-3）
误差分析：
$R(x)=f(x)-{\phi }_1(x)=\frac{f^{\prime \prime }(\xi )}{2!}(x-x_0)(x-x_1)$ (2-4)
公式(2-4)称为截断误差公式

2.二次插值

基函数：
$l_0(x)=\frac{(x-x_1)(x-x_2)}{(x_0-x_1)(x_0-x_2)}$
$l_1(x)=\frac{(x-x_0)(x-x_2)}{(x_1-x_0)(x_1-x_2)}$
$l_2(x)=\frac{(x-x_0)(x-x_1)}{(x_2-x_0)(x_2-x_1)}$
插值函数：
${\phi }_2(x)=L_2(x)=l_0(x)y_0+l_1(x)y_1+l_2(x)y_2$
误差分析：
$R(x)=f(x)-{\phi }_2(x)=\frac{f^{\prime \prime }(\xi )}{3!}(x-x_0)(x-x_1)(x-x_2)$

3.n次拉格朗日插值多项式

基函数：
$A=\frac{1}{(x_i-x_0)\cdots (x_i-x_{i-1})(x_i-x_{i+1})\cdots (x_i-x_n)}$

$l_i(x)=A(x-x_0)\cdots (x-x_{i-1})(x-x_{i+1})\cdots (x-x_n)$
插值函数：
$L_n(x)=\sum _{i=0}^n{y}_i{l}_i(x)$
误差分析：
$R(x)=f(x)-{\phi }_n(x)=\frac{f^{(n+1)}(\xi )}{(n+1)!}(x-x_0)(x-x_1)\cdots (x-x_n)$
另一种误差分析：
推导过程:
$\begin{array}{c}f(x)-L_n^{(1)}(x)=\frac{f^{(n+1)}\left({\xi }_1\right)}{(n+1)!}(x-x_0)\cdots (x-x_n)\\ \\ f(x)-L_n^{(2)}(x)=\frac{f^{(n+1)}\left({\xi }_n\right)}{(n+1)!}(x-x_1)\cdots (x-x_{n+1})\end{array}$
得到：
$f(x)-L_n^{(1)}(x)\approx \frac{x-x_0}{x_0-x_{n+1}}\left(L_n^{(1)}(x)-L_n^{(2)}(x)\right)$
通过两个插值函数之差来估计误差，这种叫事后估计

缺点：基函数依赖全部节点，增加节点时，需要计算全部基函数

三、牛顿插值法

1.差商

一阶差商：
$f[x_0,x_1]=\frac{f(x_0)-f(x_1)}{x_0-x_1}$
二阶差商:
$f[x_0,x_1,x_2]=\frac{f[x_0,x_2]-f[x_0,x_1]}{x_2-x_1}$
n阶差商：
$f[x_0,x_1,\cdots ,x_n]=\frac{f[x_0,x_1,\cdots ,x_{n-2},x_n]-f[x_0,x_1,\cdots ,x_{n-2},x_{n-1}]}{x_n-x_{n-1}}$

差商表：

$x_i$	$f(x_i)$	一阶差商	二阶差商	三阶差商	…
$x_0$	$f(x_0)$
$x_1$	$f(x_1)$	$f[x_0,x_1]$
$x_2$	$f(x_2)$	$f[x_1,x_2]$	$f[x_0,x_1,x_2]$
$x_3$	$f(x_3)$	$f[x_2,x_3]$	$f[x_1,x_2,x_3]$	$f[x_0,x_1,x_2,x_3]$
…	…	…	…	…

2.牛顿插值多项式

牛顿线性插值多项式：
$N_1(x)=f[x_0]+f[x_0,x_1](x-x_0)$
牛顿二次插值多项式：
$N_2(x)=f[x_0]+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)$
牛顿插值多项式：
$\begin{array}{c}{N}_n(x)=f[x_0]+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)+\\ \cdots +f[x_0,x_1,\cdots ,x_n](x-x_0)(x-x_1)\cdots (x-x_{n-1})\end{array}$
特别地：
$N_n(x)=N_{n-1}(x)+f[x_0,x_1,\cdots ,x_n](x-x_0)(x-x_1)\cdots (x-x_{n-1})$

它跟拉格朗日插值法是等价的，只是表现形式不一样。

3.差分与等距节点的牛顿插值公式

一阶差分：

一阶前向差分：
$\Delta f(x_i)=f(x_i+h)-f(x_i)$
一阶后向差分：
$\nabla f(x_i)=f(x_i)-f(x_i-h)$
一阶中心差分：
$\delta f(x_i)=f(x_i+\frac{h}{2})-f(x_i-\frac{h}{2})$

二阶差分

二阶前向差分：
${\Delta }^{2}f(x_i)=\Delta f(x_i+h)-\Delta f(x_i)$
二阶后向差分：
${\nabla }^{2}f(x_i)=\nabla f(x_i)-\nabla f(x_i-h)$

n阶差分

n阶前向差分：
${\Delta }^{n}f(x_i)={\Delta }^{n-1}f(x_i+h)-{\Delta }^{n-1}f(x_i)$
n阶后向差分：
${\nabla }^{n}f(x_i)={\nabla }^{n-1}f(x_i)-\nabla f^{n-1}(x_i-h)$

差分表，类似于差商表

差分的性质

1. 等距节点下
   $f[x_0,x_1,\cdots ,x_n]=\frac{{\Delta }^{n}f(x_0)}{n!h^n}$
2. 表示函数值的线性组合
   ${\Delta }^{n}f(x_i)={\sum }_{j=0}^n(-1{)}^j{C}_n^{j}f(x_{n+i-j})$

等距节点的牛顿插值公式

等距节点的牛顿前插公式：
$\begin{array}{c}{\phi }_n(x)=f(x_0)+\frac{x-x_0}{h}\Delta f(x_0)+\frac{(x-x_0)(x-x_1)}{2h^2}{\Delta }^{2}f(x_0)+\cdots \\ +\frac{(x-x_0)(x-x_1)\cdots (x-x_{n-1})}{n!h^n}{\Delta }^{n}f(x_0)\end{array}$
设$x=x_0+th,(0\le t\le n)$
可以得到：
$\begin{array}{rl}{\phi }_x(x)& ={\phi }_x(x_0+th)\\ & =f(x_0)+\frac{t}{1!!}\Delta f(x_0)+\frac{t(t-1)}{2!}{\Delta }^{2}f(x_0)+\cdots +\frac{t(t-1)\cdots (t-n+1)}{n!}{\Delta }^{\ast }f(x_0)\end{array}$
对应的截断误差：
$R_n(x)=\frac{t(t-1)\cdots (t-n)}{(n+1)!}{h}^{n+1}{f}^{(n+1)}(\xi ),\xi \in (x_{0,}{x}_0+nh)$
注意：若$x_0<x_1<\cdots <x_n$ ，当x靠近x0时，一般采用前插公式来求f(x)
的值，当 x 靠近 xn 时，一般采用后插公式来求 f(x) 的值